- •В.А. Павский
- •Оглавление
- •Часть 1. Понятие случайного события и его вероятности……..9
- •Часть 2. Случайные величины и функции распределения…….52
- •Часть 3. Предельные теоремы…………………………………………….130
- •Часть 4. Элементы математической статистики………………..141
- •Введение
- •Часть 1. Понятие случайного события и его вероятности
- •Операции над событиями
- •Кроме того, если выполнено условие
- •Следствия из аксиом
- •Из определения сразу следует, что
- •Элементы комбинаторики
- •Пример 5. Сколько существует размещений с повторениями при выборкеkшаров изn?
- •1.3 Вычисление вероятностей событий
- •1.3.1 Классический метод вычисления вероятностей
- •Пример.Поnящикам случайно распределяютсяnшаров. Считая, что ящики и шары различимы, найти вероятности следующих событий:
- •1.3.2 Геометрический метод вычисления вероятностей
- •1.3.3 Статистическое определение вероятности
- •1.3.4 Условная вероятность
- •Произвольны, причем рв.
- •Формула (6) считается определением, ниоткуда не выводится и является отражением здравого смысла. Поясним это на примере геометрического изображения событий (рис. 3).
- •Теорема умножения.ПустьА,в,тогда
- •1.4 Формула полной вероятности и формула Байеса (Bayes) Формула полной вероятности
- •Применяя теорему умножения получим
- •Применяя (9), получим
- •Формула Байеса
- •Вероятности ,, называютапостериорнымивероятностями гипотезВk, поскольку оценка происходит после того, как событиеАпроизошло.
- •1.5 Независимые испытания
- •1.6 Локальная теорема Муавра – Лапласа
- •Интегральная теорема Муавра-Лапласа
- •Функция - табулирована, ее значения приведены в табл. 4 приложения.
- •Сравнивая решение задачи п.1.5. А), б), можно предположить, что, так как – наивероятнейшее число, с большой вероятностью реализуется событие40k60, с центром в точкеk0:
- •1.8 Формула Пуассона
- •Часть 2. Случайные величины и функции распределения
- •Например, к дискретным случайным величинам относятся:
- •Свойства функции распределения.
- •Свойства плотности
- •Примеры основных распределений
- •2.1 Числовые характеристики случайных величин
- •2.1.1 Математическое ожидание, мода, медиана
- •Моменты
- •Свойства дисперсии
- •2.2 Вычисление числовых характеристик стандартных распределений
- •1. Биномиальное распределение.
- •Приложения нормального распределения
- •2.3 Функции от случайных величин
- •2.3.1 Функции от одного случайного аргумента
- •2.3.2 Многомерные случайные величины
- •2.3.3 Условные законы распределения
- •2.3.4 Моменты многомерных случайных величин
- •Свойства коэффициента корреляции
- •2.3.5 Случайные процессы
- •2.3.5.1 Марковские процессы
- •2.3.5.2 Непрерывные цепи Маркова
- •2.3.5.3 Потоки событий
- •2.3.6 Основы теории массового обслуживания
- •Часть 3. Предельные теоремы
- •Вместо (111), часто используют неравенство
- •3.1 Закон больших чисел
- •3.2 Центральные предельные теоремы
- •Часть 4. Элементы математической статистики
- •4.1 Оценка функций распределения
- •Свойства эмпирической функции распределения
- •4.2 Точечные оценки неизвестных параметров законов распределения
- •Итак, пусть имеем выборку (122). Для оценки математического ожидания
- •4.3 Доверительный интервал
- •Окончательно
- •4.4 Проверка статистической однородности
- •Заключение
- •Обозначения
- •Приложение
- •Значения некоторых числовых величин
- •Продолжение таблицы 5
- •Продолжение таблицы 7
- •Библиографический список
4.2 Точечные оценки неизвестных параметров законов распределения
Здесь мы рассматриваем задачи определения неизвестных параметров законов распределения случайных величин в условиях относительно малых объемов эмпирических данных. Ясно, что каким бы не был объем выборки, значение параметра, который мы оцениваем, будет приближенным. Это приближение называется оценкой параметра. Для того чтобы оценка была наилучшей, требуется иметь о ней наиболее полное представление.
Пусть случайная величина распределена по закону, который содержит неизвестный параметр . Требуется найти для него подходящую оценку по результатам выборки:
. (122)
При выборе условий, налагаемых на оценку неизвестного параметра прежде мы должны построить математическую модель эксперимента. Под этим мы понимаем следующее:
выборка (122) является n–мерным случайным вектором
где случайные величины определены на одном и том же пространстве элементарных событий и имеют, соответственно, одну и ту же функцию распределения и, тем самым, одни и те же параметры;
2) выборка (122) репрезентативна, то есть любой элемент пространства элементарных событий имеет одинаковую вероятность попасть в выборку.
Таким образом, оценка параметра есть n–мерная неслучайная функция n случайных аргументов
.
Принято считать, что оценка должна удовлетворять условиям
а) несмещенности:
практически это означает, что систематические ошибки отсутствуют;
б) эффективности, то есть оценка более эффективна чем , если
эффективность оценки означает, что её дисперсия меньше, чем дисперсия других оценок;
в) состоятельности, то есть
при
состоятельность означает, что для оценки выполняется закон больших чисел (теорема Чебышева или её следствия, см. раздел 3).
Замечание. На практике не всегда удается удовлетворить всем этим требованиям по соображениям объективного или экономического характера. Тем не менее, желательно пытаться исследовать оценку на достоверность.
Итак, пусть имеем выборку (122). Для оценки математического ожидания
случайной величины всем условиям удовлетворяет средняя арифметическая [4]:
. (123)
Для оценки дисперсии, в условиях выборок относительно большого объема, используется выборочная дисперсия:
(124)
или
(125)
Выборочная дисперсия не удовлетворяет условию несмещенности.
Всем трем условиям удовлетворяет исправленная дисперсия.
или
. (126)
Ясно, что если выборка имеет достаточный объем (n>50), то использовать можно как формулу (124), так и (126).
Для оценки среднеквадратичного отклонения наилучшей оценки не найдено. Обычно рассматривают , .
Для вычисления моментов более высокого порядка можно использовать статистические аналоги, но они с увеличением порядка снижают точность оценки.
Таким образом, в условиях ограниченного объема выборки мы имеем методику оценки неизвестных параметров распределения. Такая оценка называется точечной.